刀具作为切削加工的执行者,切削加工过程中刀具的实时状态会直接影响零件加工质量、加工精度和加工效率,甚至会引起整个机械加工系统发生严重故障,导致巨大的经济损失。因此,实现对刀具磨损状态的实时判定和剩余寿命预测,可以保证机床产出工件的质量、节省加工成本和人力成本、促进智能加工技术的快速发展。本文将基于多传感器信息融合技术的思想,提出一种可以同时对刀具磨损量和剩余寿命实现实时预测的方法,具体研究内容如下:1、以加速度传感器和测力仪为信号监测元件,搭建实验平台,实现对机床加工过程中产生的振动信号和切削力信号的采集,并对采集到的监测信号进行预处理,以支撑后续信号分析与状态识别试验的进行。2、通过对监测信号进行时域分析,频域分析,以及时频域分析,提出了信号降噪和特征值提取分步进行的处理方法。通过对比试验,选用快速独立成分分析法实现信号降噪,保证监测信号的特征信息清晰,然后运用小波包频带能量分析法实现信号全工作状态下的特征提取。3、基于多传感器信息融合技术的思想,建立了一个可以同时对刀具磨损状态和剩余寿命预测的改进Elman神经网络模型,通过优化学习算法和网络结构,并利用遗传算法初始化网络权值和阈值,提升了网络的学习能力和收敛速度。4、利用改进Elman神经网络预测模型对刀具磨损状态和剩余寿命进行预测,对比试验结果表明,本文提出的改进Elman神经网络预测模型在性能上具有收敛速度快、预测精度高的特点;在预测结果上可以保证连续预测刀具加工全时段的磨损量和剩余寿命。本文融合现代传感器技术、计算机技术和信号处理技术等,提出一种可以对刀具磨损状态和剩余寿命值同时在线预测的方法,相关研究成果对促进自适应智能加工技术的快速发展具有重要理论意义与实用价值。